龙图腾网&IPTOP
- 微信扫码登录
- 账号密码登录
- 短信登录/注册
买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！
申请/专利权人：吉林大学
摘要：本发明采用随机森林和极端梯度提升XGBoost模型进行模型拟合。通过GridSearchCV进行超参数优化和交叉验证，以防止过度拟合并提高模型精度。本研究在进行相关性检验后，并未直接剔除变量，而是采用合成指标消除共线性，我们将能够解释从主成分分析获得的每个维度中所有数据变化超过20％的因素定义为该维度的显著因素，将同一维度的显著因素综合成一个新的指标，这个新的合成指标更能系统、综合的评价城市某一方面的特征因素，得出的结果更贴合实际，更能反映真实水平。
主权项：1.一种基于机器学习模型的传染病反弹严重程度的量化评估方法，其特征在于：包括以下步骤：步骤1：传染病感染病例报告数据来源于各个官方网站；总共收集了社会经济或环境因素等多个因素，并将这些因素分为了外部因素和内部因素；步骤2：对于有缺失值的变量，采用最近邻KNN算法进行数据插补,为了减少大型特征的影响，我们通过去除均值和缩放到单位方差来标准化这些特征；步骤3：采用主成分分析PCA进行降维和特征提取K-Means对PCA结果进行聚类，最后根据廓形系数确定簇的数量；步骤4：通过合成指标消除共线性，将PCA得到的每个维度上所有数据变异中能够解释20％以上变异的因子定义为该维度的显著因子，将同一维度的显著因素综合为一个新的合成指标，合成中使用的权重是由其维度上的重要因素的组成比例得到的，按发病密度中位数将城市分为严重流行和普通流行，发病密度计算方法如下： 步骤5：将数据随机分为60％的训练数据集和40％的测试数据集，采用两种基于决策树的方法——随机森林RF和极端梯度BoostingXGBoost对发病率密度特征进行建模；步骤6：利用GridSearchCV进行超参数优化和交叉验证，防止过拟合，提高模型精度，采用曲线下面积areaunderthecurve,AUC、准确率、精密度、F1-score和召回率值对模型进行评价；步骤7：利用从模型中获得的重要度来识别有助于模型的最优特征，并构建更简洁的模型。
全文数据：
权利要求：
百度查询： 吉林大学 一种基于机器学习模型的传染病反弹严重程度的量化评估方法
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。
主营中国专利交易买卖与专利转让许可,高校科技成果推广与科技成果转化,知识产权运营管理与平台开发,科技人才专家库与科技猎头等科技服务
开放平台
担保交易
惠及多方
会员特惠
专属平台
适合多方
数据共享
功能齐全
皖公网安备 34010402703815号